基于Krawtchouk矩和支持向量机的火焰状态识别

监测炉膛火焰燃烧状态对防止锅炉爆管起着重要作用。为了进一步提高火焰图像特征提取的准确度和燃烧状态的识别率,文中将Krawtchouk矩引入火焰特征提取,提出了一种将Krawtchouk矩不变量与小波支持向量机相结合的火焰燃烧状态识别方法。首先计算火焰图像的Krawtchouk矩及Krawtchouk矩不变量,以此构造火焰图像的特征向量;然后根据训练样本的特征向量构造支持向量机,对火焰图像进行状态识别,并采用混沌小生境粒子群算法优化支持向量机中的核函数参数与惩罚因子,使其识别性能最优。大量实验结果表明:与基于Hu矩和支持向量机的方法、基于Zernike矩和支持向量机的方法相比,采用Krawtchouk矩不变量作为火焰图像的特征能更好地对火焰图像燃烧状态进行识别,识别率大大提高,且结果与实际情况相符。     

基于灰度熵多阈值分割和SVM的火焰图像状态识别

为了进一步提高锅炉燃烧火焰图像状态识别的性能,提出了一种基于灰度熵多阈值分割和支持向量机(supportvector machine,SVM)的火焰图像状态识别方法。对火焰图像进行基于灰度熵准则的多阈值分割,采用改进粒子群优化算法选取最优多阈值,由此快速准确地分割出火焰图像中的背景区域、有效燃烧区域及高温燃烧区域;然后,提取火焰图像的10个特征参数,以此作为训练样本训练支持向量机,最后采用支持向量机依据提取的特征对火焰图像进行分类,并通过上述改进粒子群优化算法优化支持向量机中的2个参数。实验结果表明,提出的方法分割结果正确,与采用将图像像素作为训练样本的方法相比,该方法的分类识别正确率更高,运行速度大大加快。     

基于火焰自由基成像和支持向量机的燃烧过程NO_x排放预测

火焰特征参数对燃烧稳定性及污染物生成具有重要影响。火焰自由基作为燃烧的中间产物,其特征在研究污染物的生成机制及其控制方面起着重要的作用。文中通过火焰自由基图像处理和火焰温度监测,并结合支持向量机的软计算法提出了一种NOx(NO和NO2)排放量的在线预测技术。该技术通过光增强成像系统采集火焰自由基OH*,CN*,CH*和C2*的数字图像,同时使用光谱仪和双色法获取火焰温度。在所得的火焰基图像中提取其特征值(自由基灰度等值线和比值),并结合火焰温度,建立基于支持向量机的软计算方法,实现了对NOx的排放预测。在燃气燃烧试验炉上的实验结果验证了基于火焰自由基图像的NOx预测排放模型的有效性。     

PCA和SVM在火焰监测中的应用研究

通过对火焰图像进行分析,提取火焰亮度、火焰面积、质心偏移距离和圆形度等7个特征量.然后基于主元分析技术,提出一种对燃烧火焰稳定性进行监视和诊断的方法,采用Hotelling T2和Q两个统计量对每一时刻的图像数据向量进行监测,检验是否超过各自的控制限,只要这两个统计量之一越限,则可判定燃烧出现异常.实验结果表明:该方法能够在线实时地、有效地识别、判断火焰的燃烧状态,并且将结果以Q图、Hotelling T2图和主元图的形式直观地表示出来;该文同时应用支持向量机方法分别对特征向量和原始图像数据进行识别分类,结果表明基于主元分析原理和支持向量机方法所得到的结果是一致的.     

基于遗传支持向量机算法的燃烧状态诊断

针对支持向量机中的参数通常用交叉验证来确定的状况,提出了遗传支持向量机算法,即使用遗传算法来优化支持向量机中的参数并应用在基于火焰图像特征参数的锅炉燃烧状态诊断中.从火焰图像中提取的5个特征量作为支持向量机的输入,3种燃烧状态作为输出,选用径向基核函数,使用遗传算法得到优化参数.实验结果表明,该方法能在较大范围内准确地...     

基于深度卷积神经网络和支持向量机的NOx浓度预测

NO_x浓度的准确预测对于燃烧优化控制至关重要,有利于提高能源利用效率和减少环境污染。提出了一种基于深度卷积神经网络(deep convolution neural network,DCNN)和支持向量机(support vector machine,SVM)的NO_x浓度预测方法。该方法首先利用DCNN对火焰图像的深层特征进行提取,然后采用支持向量机对所提取到的深层特征进行分析,从而实现NO_x浓度预测。通过采集4.2MW重油燃烧锅炉不同燃烧工况下的火焰图像与NO_x浓度,对所提出的预测方法的有效性进行测试。试验结果表明,在不同燃烧工况下,DCNN-SVM的均方根误差为1.58mg/m~3,低于基于静态物理特征的预测模型(7.96mg/m~3)。表明DCNN-SVM具有较高的预测精度,不仅克服了静态物理特征表达能力的不足,而且摆脱了繁琐的特征设计过程。     

最小二乘支持向量机可视化燃烧/排放关联特性的研究

一种基于光学原理的燃烧火焰/温度场测量装置,用以获得实时的炉内燃烧信息,以便实施洁净煤燃烧技术。文中以可视化火焰检测系统对电站锅炉燃烧火焰和温度场进行监测的研究。通过测量,得到了数值化的火焰/温度场信息,对燃烧火焰的图像进行了分析,提取了不同单色波波长下的火焰图像的平均灰度、方差、熵、火焰丰度、能量、最高灰度等特征量,计算得到了温度分布。为了建立锅炉排放与火焰参数及燃烧温度的关系,利用最小二乘支持向量机原理,以火焰参数为主要判据,将得到的表征燃烧的特征量作为最小二乘支持向量机的输入,对NOx排放量进行了预估。结果表明,估计值与实测值具有一致性。     

炉膛燃烧稳定性的火焰图像诊断方法

通过对燃煤锅炉炉膛火焰图像辐射能信号的分析,从多幅火焰图像中综合得出反映全炉膛图像的特征量,据此可以准确地给出炉膛燃烧调整的程度,从而使燃烧便于监测与控制。图像诊断分析对锅炉燃烧状况、灭火预警,以及炉膛安全监控系统(FSSS)的分析等有显著的效果。     

典型炉膛火焰图像燃烧模式识别与应用

电站锅炉采用看火电视直接观察炉膛火焰图像,从火焰表面特征判断当前锅炉燃烧状态。对典型的四角切圆燃烧锅炉的火焰特征进行研究,提出若干反映实时燃烧状态的特征参数和模式识别措施,为图像处理设备从火焰图像识别火焰偏心和贴边等重要运行工况提供了定量的判别依据,并探讨了借助火焰模式识别技术进行燃烧控制的方法和设想。     

运用计算机图像处理和神经网络技术对炉膛火焰进行诊断

研究利用火焰图像处理技术进行炉膛火焰燃烧诊断的方法。根据火焰图像处理系统获取燃烧图像，并提取用于燃烧诊断的火焰图像特征参数，构造用于燃烧诊断的BP神经网络，将提取的火焰图像特征参数作为神经网络的输入量，通过训练和测试，进行火焰燃烧状态的预测，开发的火焰图像处理和燃烧诊断系统已在3000MW电站锅炉上得到了应用。     

基于DDAG支持向量机的汽车车型识别

文章应用DDAG支持向量机方法对汽车图像进行识别。首先采用背景差分方法提取运动汽车,然后用Otsu法进行阈值分割、基于边缘阴影检测方法消除阴影,最后提取运动汽车的RST不变特征,输入DDAG支持向量机进行训练和识别。实验表明,基于DDAG支持向量机的车型图像识别算法具有很好的性能。     

传感器非线性校正的遗传支持向量机方法

针对传感器非线性校正中现有的较为常用的神经网络法的不足和支持向量机参数难确定的问题,提出了一种遗传算法和支持向量机相结合的方法,阐述了支持向量机的非线性校正原理和遗传算法优化支持向量机参数的实现过程,并分别采用BP神经网络法和遗传支持向量机方法对压力传感器进行非线性校正.实验结果表明: BP神经网络法使得传感器的最大相...     

相关向量机及其在变压器故障诊断中的应用

分析并用典型数据分类算例验证相关向量机(RVM)在分类性能方面优于支持向量机(SVM),在此基础上以标准化的变压器主要特征气体含量为输入量,采用二叉树的分类方法建立基于RVM的变压器故障诊断模型。实例分析表明,同基于SVM的故障诊断方法相比,该方法可以取得与其相当甚至更优的故障诊断正确率,相关向量个数明显少于支持向量个数,诊断速度显著提高。     

数字图像的纹理特征提取与分类研究

本文提出了一种基于Gabor小波和灰度共生矩阵进行数字图像特征提并与支持向量机模型相结合的纹理分类算法。首先分别利用Gabor变换和灰度共生矩阵提取数字图像的特征,进而利用支持向量机算法实现图像的训练和分类。实验结果表明,与传统的分类方法相比,这种通过Gabor小波和灰度共生矩阵得到数字图像的特征并与支持向量机相结合的方法能有效地提高分类正确率。     

电力系统动态安全域的LS-SVM在线拟合法

提出了一种基于支持向量机的电力系统动态安全域在线拟合方法。支持向量机在解决非线性有限样本和高维识别方面有明显优势,但标准支持向量机在学习时需要求解复杂的二次规划问题,耗时较多。为此采用最小二乘支持向量机的二值分类算法,构造了二类和三类分类器对运行点的稳定状态进行判断,以最小二乘线性系统代替二次规划方法的标准支持向量机进行模式识别和函数估计,解决了大样本数据建模和运算速度慢的问题。同时采用回归算法构造稳定裕度拟合器,对系统既定故障下运行点的临界切除时间进行在线拟合并计算出稳定裕度。最后以EPRI-36节点模型为算例进行仿真计算,仿真结果表明该方法避免“维灾难”问题的同时,能更好地拟合动态安全域的边界,且进一步证明了该方法的有效性和准确性。     

主导火焰技术在600 MW机组W型火焰燃烧锅炉中的应用

聊城发电厂1号机组投产后,最高调度负荷600MW,最低调度负荷360MW。在机组低负荷运行期间,锅炉稳燃性能较差,当炉内动力场稍有扰动时,即会引起燃烧恶化,甚至引发锅炉灭火。为此,提出W型燃烧主导火焰的概念,并利用主导火焰技术进行燃烧调整,取得较好效果。     

基于改进粒子群算法与支持向量机的变压器状态评估

支持向量机(SVM)能较好地解决小样本、非线性特征的多分类问题,适用于电力变压器运行状态评佑,但参数选择时分类效果有着显著影响.利用改进的粒子群算法(PSO)对支持向量机(SVM)参数进行寻优,通过引入收敛因子、惯性因子动态化和自适应杜子变异三种方法对传统的PSO算法进行改进,从而获得最佳的分类模型.该模型以变压器油中...     

基于PSO-SVM的电力负荷预测

电网的安全经济可靠运行需要电力负荷预测具有较高的精度。尽管支持向量机理论解决电力负荷预测数据小样本,非线性,局部极小点等问题有很大的优势,但支持向量机的参数(c,σ)难以确定最优值。采用带惯性权重的粒子群优化算法(PSO)对支持向量机参数寻优并进行电网短期负荷预测。将预测结果同普通支持向量机和RBF神经网络预测结果对比,结果证明这种方法减少了预测耗时,提高了预测的稳定性和精度。     

基于HAAR特征与BP神经网络的车牌识别技术研究

车牌识别技术运用OpenCV计算机开源机器视觉库,对图像进行处理提取出图像中蕴含的车牌信息,达到车牌识别的目的。通过运用HAAR特征,训练出AdaBoost分类器查找图片中的车牌区域,同时运用Sobel算子进行边缘检测等操作查找车牌区域,最终运用支持向量机（SVM）算法进行两种定位的疑似车牌区域的最终确认;确认后的车牌区域进行字符分割等操作进行字符的分离;最后运用训练的反向传播（BP）神经网络进行字符的识别并最终输出车牌信息。研究结果显示,车牌识别的效率很高,拥有一定的使用价值。